CN109949382B - 一种基于机器学习实现图片高密度压缩、解压缩的方法 - Google Patents

Abstract

本发明公开了一种基于机器学***滑不同图层的接缝和边缘，生成最终的特征近似的图片，实现解压缩。本发明压缩比率超大。可满足现有图片存储的需要。

Description

一种基于机器学习实现图片高密度压缩、解压缩的方法

技术领域

本发明涉及一种基于机器学习实现图片高密度压缩、解压缩的方法。

背景技术

现代社会出于大数据时代，现有的图片随着像素越来越高，其存储量也越来越大，导致整体图片数据存储量过大，给图片保存、转移造成诸多不变。为了便于转移，通常会压缩图片，现有的无损压缩能力有限。而有损压缩压缩比率也仅仅有两个数量级。实际状况中，有许多图片并不需要保存图片细节，但是却在压缩过程中无法避开细节，相对而言，压缩比率不是很理想。

如一个1M大小的原生图片raw格式文件，压缩为png格式约为200k，压缩为jpg格式约为60k。仍然不能很好的满足使用的需求。

发明内容

本发明为解决现有技术在使用中，存在着图片存储量过大的问题，提供一种基的于机器学习可保留图片的特征，可以获得超大压缩比率，实现图片高密度压缩解压缩的方法。

本发明解决现有问题技术方案是：一种基于机器学习实现图片高密度压缩、解压缩的方法，步骤如下，

a)、构建一智能学习模型，模型识别图像中的各个关键元素，然后筛选出相关的特征。

b)填充图片，剩下背景图Image(b)，然后存储识别出的特征和关键元素，将压缩后的背景图层存储，最终得到压缩后的图片。

c)、解压缩，调取关键元素，从元素库中匹配元素原型，然后根据元素的位置将元素还原到图像的位置，依次还原多个元素。

d)、依据每个元素的特征，将元素库中调取的元素进行精细的变形和位置还原；

e)、在背景库中抽取背景再现。

f)、使用高斯模糊，模糊叠加边缘处的缝隙，平滑不同图层的接缝和边缘。

h)、生成最终的特征近似的图片，实现解压缩。

作为进一步改进，所述的步骤a)包括构建一智能学习模型，输入图像Image，模型通过深度学习获取图像中存在的元素集合{f1,f2,…,fn}，然后拆分图像，分别标记所有特征元素集合的坐标和相对位置生成坐标集合{p1,p2,…,pn}，生成要素集合{s}；针对集合{S}中的任意一个元素，按照其坐标和尺寸从原始图片Image中截取对应的子图，原图Image中将会存在丢失特征图片要素的空洞，用周围背景插值来实现漏洞的空白。

作为进一步改进，所述的元素集合包括、长宽width、height、每个像素点的明度和色彩范围R、图像Image可以构成width*height的矩阵，设定该矩阵为一个集合{Input}。

所述的模型记为model，所述的模型model的输入设置为一个二维向量，尺寸设置为Size＝Size(width)*Size(height)，所述的Size(x)方法将{Input}矩阵尺寸限定在可以接受的范围。

将Input输入模型model中，得到输出为一个特征比率向量Possibility、特征坐标向量Position、尺寸向量Para、特征标签向量Label，所述的向量均为一位向量，长度都为识别出的特征个数Number(features)。

分别对位取出Possibility、position、para、label中的每个单元，合并为一个元素s＝(poss,posi,para,l)，这些元素合并为要素集合{S}。

所述的对于特征元素s＝(poss,posi,para,l)对应的空白，将在空白边缘L(fix)的范围内分别选取背景的像素点色度、明度，设置单次修补覆盖的面积为S(fix)，取均值等于S(fix)范围内色度、明度算术平均u、标准差o的二维高斯分布，并做高斯插值；完成后，选取新的S{i}，用i的方法对剩余的空白进行插值，重复选取新的S{i}，用i的方法对剩余的空白进行插值的步骤，直到所有空白被填充；再选取下一个特征s＝(poss,posi,para,l)，重复I再选取下一个特征s＝(poss,posi,para,l)的操作，直到集合{S}对应全部特征留下的空白被填充。

作为进一步改进，所述的步骤b)包括识别特征、存储特征、识别背景、存储背景；所述的识别特征包括对于集合{S}，提取出每个元素s＝(poss,posi,para,l)，将s的标签为l，将s对应在原图中的图像片段记为Image-s，以标签l为基准，在图像库中所有等同于l标签的图像生成集合{image-s}，其中每个元素记为image-sc；使用图像相似比对模型model-sim，输入image-s和image-sc，获得相似度sim；使image-s与{image-s}集合中的全部元素做iii中的比对，选取sim最大的那个image-sc，记录image-sc的序号Seq-sc；将Seq-sc元素***s＝(poss,posi,para,l)元素中，这时有元素s＝(poss,posi,para,l,seq-sc)。

所述的存储特征包括对于集合{S}，每个元素s，存储子元素posi para seq-sc l。

所述的识别背景包括对于填充后的背景图Image(b)，使用model模型识别背景图Image(b)特征，同样可以得到结果(poss,posi,para,l)，选取poss值最大的那个元素，记录元素为Sb＝(poss,posi,para,l)；在Sb中，以标签l在背景数据库中取出所有背景图片，使用模型model-sim逐个比对，选取sim值最大的背景图片image-b-sim，记录序号为Seq-b，将Seq-b***Sb元素，得到新元素Sb＝(poss,posi,para,l,seq-b)。

所述的存储背景包括对于元素Sb＝(poss,posi,para,l,seq-b)，存储paralseq-b三个子元素；对于背景图，获得整张图片全部像素的色彩算术均值ub，获得全部像素的明度算术均值ur；存储ubur两个数值；最终得到压缩后的图片为({S(posi,para,l,seq-sc)},Sb(para,l,seq-b),ub,ur)。

作为进一步改进，所述的步骤c)包括解压缩特征、解压缩背景；所述的解压缩特征包括；取出压缩图片文件中的集合{S(posi,para,l,seq-sc)}，其中每个元素记为s＝(posi,para,l,seq-sc)；对于元素s，其子元素seq-sc，按照序号在特征图数据库中寻找对应的特征图片，记为image-f；重复步骤ii，得到集合{S}中全部元素对应的image-f。

解压缩背景包括取出压缩图片文件中的元素Sb、ub、ur；按照图像尺寸创建一个width*height的图像，图像的填充色为ub，明度为ur，此图像记作image-bb。

作为进一步改进，所述的步骤d)精细的变形和位置还原包括特征变形、特征还原。

作为进一步改进，所述的步骤e)包括还原背景，所述的还原背景包括对于元素Sb、ub、ur，在Sb中子元素为seq-b、l，在标签l对应的背景库中寻找序号为seq-b的背景，记为image-sb；对image-sb按照尺寸width*height进行放大缩小；将image-bb叠加到image-sb上。

作为进一步改进，所述的步骤f)使用高斯模糊，模糊image-sb、image-bb、image-f叠加边缘处的缝隙，平滑不同图层的接缝和边缘。

本发明与现有技术相比较，通过构建一智能学***滑不同图层的接缝和边缘，生成最终的特征近似的图片，实现解压缩。其有益效果是，本发明压缩比率超大。可满足现有图片存储的需要。

本发明以一个1M大小的原生图片raw格式文件举例。一般的图片压缩方法可以压缩文件到5k～10k；但是，一整图片有的特征却是有限的，假设只有10个特征，那么算上特征属性，经过特征压缩的图片只有100～300的大小，仅仅约为raw文件的0.00002，约为png文件的0.0001，约为jpg文件的0.003，约为有损jpg文件的0.027。

附图说明

图1是本发明的压缩结构框图。

图2是本发明的解压缩结构框图。

具体实施方式

参见图1，一种基于机器学习实现图片高密度压缩、解压缩的方法，步骤如下，

a)、构建一智能学习模型model，模型model识别图像中的各个关键元素，如特征1、2、3，然后筛选出相关的特征。

b)填充图片，剩下背景图Image(b)，然后存储识别出的特征和关键元素，将压缩后的背景图层存储，最终得到压缩后的图片。

c)、解压缩，调取关键元素，如背景信息、特征信息，从元素库中匹配元素原型，然后根据元素的位置将元素还原到图像的位置，依次还原多个元素。

d)、依据每个元素的特征，将元素库中调取的元素进行精细的变形和位置还原；

e)、在背景库中抽取背景再现。

f)、使用高斯模糊，模糊叠加边缘处的缝隙，平滑不同图层的接缝和边缘。

h)、生成最终的特征近似的图片，实现解压缩。

其中，具体到步骤a)中，包括构建一智能学习模型，输入图像Image，模型通过深度学习获取图像中存在的元素集合{f1,f2,…,fn}，然后拆分图像，分别标记所有特征元素集合的坐标和相对位置生成坐标集合{p1,p2,…,pn}，生成要素集合{s}。

如图像A，长宽分别为width、height，其中每个像素点的明度和色彩范围设置为R，那么一张图片的大小记为width*height*R，以R作为元素，那么图像Image可以看做一个width*height的矩阵，我们设定这个矩阵为一个集合，记作输入矩阵集合{Input}。

设计图像识别模型，可采用现有的技术任何机器学习平台和框架，如inception系列和Res系列、inception-v2、inception-v3、ResNet Adam等，采用现有意志的任何第三方图片识别服务。

使用的识别模型记为model。模型model的输入设置为一个二维向量，尺寸设置为Size＝Size(width)*Size(height)，Size(x)方法将{Input}矩阵尺寸限定在可以接受的范围。

将Input输入模型model中，得到输出为一个特征比率向量Possibility、特征坐标向量Position、尺寸向量Para、特征标签向量Label，所述的向量均为一位向量，长度都为识别出的特征个数Number(features)。

分别对位取出Possibility、position、para、label中的每个单元，合并为一个元素s＝(poss,posi,para,l)，这些元素合并为要素集合{S}。

针对集合{S}中的任意一个元素，按照其坐标和尺寸从原始图片Image中截取对应的子图，原图Image中将会存在丢失特征图片要素的空洞，用周围背景插值来实现漏洞的空白。

具体为对于特征元素s＝(poss,posi,para,l)对应的空白，将在空白边缘L(fix)的范围内分别选取背景的像素点色度、明度，设置单次修补覆盖的面积为S(fix)，取均值等于S(fix)范围内色度、明度算术平均u、标准差o的二维高斯分布，并做高斯插值；完成后，选取新的S{i}，用i的方法对剩余的空白进行插值，重复选取新的S{i}，用i的方法对剩余的空白进行插值的步骤，直到所有空白被填充；再选取下一个特征s＝(poss,posi,para,l)，重复I再选取下一个特征s＝(poss,posi,para,l)的操作，直到集合{S}对应全部特征留下的空白被填充。

上述的步骤b)包括识别特征、存储特征、识别背景、存储背景。

识别特征包括对于集合{S}，提取出每个元素s＝(poss,posi,para,l)，将s的标签为l，将s对应在原图中的图像片段记为Image-s，以标签l为基准，在图像库中所有等同于l标签的图像生成集合{image-s}，其中每个元素记为image-sc；使用图像相似比对模型model-sim，输入image-s和image-sc，获得相似度sim；使image-s与{image-s}集合中的全部元素做iii中的比对，选取sim最大的那个image-sc，记录image-sc的序号Seq-sc；将Seq-sc元素***s＝(poss,posi,para,l)元素中，这时有元素s＝(poss,posi,para,l,seq-sc)。

存储特征包括对于集合{S}，每个元素s，存储子元素posi para seq-sc l。

识别背景包括对于填充后的背景图Image(b)，使用model模型识别背景图Image(b)特征，同样可以得到结果(poss,posi,para,l)，选取poss值最大的那个元素，记录元素为Sb＝(poss,posi,para,l)；在Sb中，以标签l在背景数据库中取出所有背景图片，使用模型model-sim逐个比对，选取sim值最大的背景图片image-b-sim，记录序号为Seq-b，将Seq-b***Sb元素，得到新元素Sb＝(poss,posi,para,l,seq-b)。

存储背景包括对于元素Sb＝(poss,posi,para,l,seq-b)，存储para、l、seq-b三个子元素；对于背景图，获得整张图片全部像素的色彩算术均值ub，获得全部像素的明度算术均值ur；存储ubur两个数值；最终得到压缩后的图片为({S(posi,para,l,seq-sc)},Sb(para,l,seq-b),ub,ur)。

其中上述的步骤c)包括解压缩特征、解压缩背景。

解压缩特征包括取出压缩图片文件中的集合{S(posi,para,l,seq-sc)}，其中每个元素记为s＝(posi,para,l,seq-sc)；对于元素s，其子元素seq-sc，按照序号在特征图数据库中寻找对应的特征图片，记为image-f；重复步骤ii，得到集合{S}中全部元素对应的image-f。

解压缩背景包括取出压缩图片文件中的元素Sb、ub、ur；按照图像尺寸创建一个width*height的图像，图像的填充色为ub，明度为ur，此图像记作image-bb。

步骤d)精细的变形和位置还原包括特征变形、特征还原。

特征变形包括对于{S}集合中的每个元素s和其对应的特征图片image-f，按照para元素记录的图像尺寸，对image-f进行放大、缩小，S元素中的子元素posi，按照posi坐标将image-f放置在image-bb上。

特征还原包括对于集合{S}中全部元素进行ii的操作，并且按照元素S在集合{S}中的顺序将image-f放置到image-bb上。

步骤e)在背景库中抽取背景再现，包括还原背景，还原背景包括对于元素Sb、ub、ur，在Sb中子元素为seq-b、l，在标签l对应的背景库中寻找序号为seq-b的背景，记为image-sb；对image-sb按照尺寸width*height进行放大缩小；将image-bb叠加到image-sb上。

步骤f)使用高斯模糊，模糊image-sb、image-bb、image-f叠加边缘处的缝隙，平滑不同图层的接缝和边缘。最终生成特征近似的图片，实现解压缩。

Claims (10)

1.一种基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：步骤如下，

a)、构建一智能学习模型，模型识别图像中的各个关键元素，然后筛选出相关的特征；

b)填充图片，剩下背景图Image(b)，然后存储识别出的特征和关键元素，将压缩后的背景图层存储，最终得到压缩后的图片；

c)、解压缩，调取关键元素，从元素库中匹配元素原型，然后根据元素的位置将元素还原到图像的位置，依次还原多个元素；

d)、依据每个元素的特征，将元素库中调取的元素进行精细的变形和位置还原；

e)、在背景库中抽取背景再现；

f)、使用高斯模糊，模糊叠加边缘处的缝隙，平滑不同图层的接缝和边缘；

h)、生成最终的特征近似的图片，实现解压缩。

2.如权利要求1所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤a)包括构建一智能学习模型，输入图像Image，模型通过深度学习获取图像中存在的元素集合{f1,f2,…,fn}，然后拆分图像，分别标记所有特征元素集合的坐标和相对位置生成坐标集合{p1,p2,…,pn}，生成要素集合{s}；针对集合{S}中的任意一个元素，按照其坐标和尺寸从原始图片Image中截取对应的子图，原图Image中将会存在丢失特征图片要素的空洞，用周围背景插值来实现漏洞的空白。

3.如权利要求2所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的元素集合包括、长宽width、height、每个像素点的明度和色彩范围R、图像Image可以构成width*height的矩阵，设定该矩阵为一个集合{Input}；

所述的模型记为model，所述的模型model的输入设置为一个二维向量，尺寸设置为Size＝Size(width)*Size(height)，所述的Size(x)方法将{Input}矩阵尺寸限定在可以接受的范围；

将Input输入模型model中，得到输出为一个特征比率向量Possibility、特征坐标向量Position、尺寸向量Para、特征标签向量Label，所述的向量均为一位向量，长度都为识别出的特征个数Number(features)；

分别对位取出Possibility、position、para、label中的每个单元，合并为一个元素s＝(poss,posi,para,l)，这些元素合并为要素集合{S}；

所述的对于特征元素s＝(poss,posi,para,l)对应的空白，将在空白边缘L(fix)的范围内分别选取背景的像素点色度、明度，设置单次修补覆盖的面积为S(fix)，取均值等于S(fix)范围内色度、明度算术平均u、标准差o的二维高斯分布，并做高斯插值；完成后，选取新的S{i}，用i的方法对剩余的空白进行插值，重复选取新的S{i}，用i的方法对剩余的空白进行插值的步骤，直到所有空白被填充；再选取下一个特征s＝(poss,posi,para,l)，重复I再选取下一个特征s＝(poss,posi,para,l)的操作，直到集合{S}对应全部特征留下的空白被填充。

4.如权利要求1或3所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤b)包括识别特征、存储特征、识别背景、存储背景，最终得到压缩后的图片。

5.如权利要求3所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤b)包括识别特征、存储特征、识别背景、存储背景；所述的识别特征包括对于集合{S}，提取出每个元素s＝(poss,posi,para,l)，将s的标签为l，将s对应在原图中的图像片段记为Image-s，以标签l为基准，在图像库中所有等同于l标签的图像生成集合{image-s}，其中每个元素记为image-sc；使用图像相似比对模型model-sim，输入image-s和image-sc，获得相似度sim；使image-s与{image-s}集合中的全部元素做iii中的比对，选取sim最大的那个image-sc，记录image-sc的序号Seq-sc；将Seq-sc元素***s＝(poss,posi,para,l)元素中，这时有元素s＝(poss,posi,para,l,seq-sc)；所述的存储特征包括对于集合{S}，每个元素s，存储子元素posi para seq-sc l；所述的识别背景包括对于填充后的背景图Image(b)，使用model模型识别背景图Image(b)特征，同样可以得到结果(poss,posi,para,l)，选取poss值最大的那个元素，记录元素为Sb＝(poss,posi,para,l)；在Sb中，以标签l在背景数据库中取出所有背景图片，使用模型model-sim逐个比对，选取sim值最大的背景图片image-b-sim，记录序号为Seq-b，将Seq-b***Sb元素，得到新元素Sb＝(poss,posi,para,l,seq-b)；

所述的存储背景包括对于元素Sb＝(poss,posi,para,l,seq-b)，存储paralseq-b三个子元素；对于背景图，获得整张图片全部像素的色彩算术均值ub，获得全部像素的明度算术均值ur；存储ubur两个数值；最终得到压缩后的图片为({S(posi,para,l,seq-sc)},Sb(para,l,seq-b),ub,ur)。

6.如权利要求1或5所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤c)包括解压缩特征、解压缩背景。

7.如权利要求5所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤c)包括解压缩特征、解压缩背景；所述的解压缩特征包括；取出压缩图片文件中的集合{S(posi,para,l,seq-sc)}，其中每个元素记为s＝(posi,para,l,seq-sc)；对于元素s，其子元素seq-sc，按照序号在特征图数据库中寻找对应的特征图片，记为image-f；重复步骤ii，得到集合{S}中全部元素对应的image-f；

解压缩背景包括取出压缩图片文件中的元素Sb、ub、ur；按照图像尺寸创建一个width*height的图像，图像的填充色为ub，明度为ur，此图像记作image-bb。

8.如权利要求7所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤d)精细的变形和位置还原包括特征变形、特征还原。

9.如权利要求7所述的基于机器学习实现图片高密度压缩、解压缩的方法，其特征在于：所述的步骤e)包括还原背景，所述的还原背景包括对于元素Sb、ub、ur，在Sb中子元素为seq-b、l，在标签l对应的背景库中寻找序号为seq-b的背景，记为image-sb；对image-sb按照尺寸width*height进行放大缩小；将image-bb叠加到image-sb上。

10.如权利要求7所述的基于机器学***滑不同图层的接缝和边缘。

Images